实体
exponential smoothing
exponential smoothing
PulseAugur coverage of exponential smoothing — every cluster mentioning exponential smoothing across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
AI模型利用汽车数据预测悉尼高风险驾驶热点
一篇新的研究论文探讨了如何利用联网汽车数据主动识别和预测澳大利亚大悉尼地区高风险驾驶热点。该研究通过硬刹车、急加速和转弯的阈值来量化危险驾驶行为，并创建时空热力图来 pinpoint 高风险区域。研究人员对八种预测模型进行了基准测试，发现 ARIMA 等传统时间序列方法在数据量有限的情况下，其表现与 LSTM 等深度学习模型相当。研究结果表明，基于物联网的汽车数据可以支持有针对性的道路安全干预措施，其中悉尼中央商务区、帕拉玛塔和班克斯…
-
Wasserstein Exponential Smoothing 将预测扩展到分布时间序列
研究人员开发了一种名为 Wasserstein Exponential Smoothing (WES) 的新方法，将指数平滑技术扩展到分布时间序列。这种方法允许在观测值是概率分布而非单个实数时进行预测。该论文详细介绍了在 Wasserstein 空间内对指数平滑的原则性推广，并展示了如何通过最小化 Wasserstein 距离来估计平滑参数，在金融和能源需求预测中显示出实际效果。
-
超树框架将梯度提升树与经典预测模型相结合
研究人员推出了一种新颖的时间序列预测框架 Hyper-Trees，该框架将梯度提升树与 ARIMA 等经典预测模型相结合。这种方法将这些经典模型的参数学习为输入特征的函数，从而将时间序列归纳偏差嵌入到基于树的方法中。为了解决扩展限制，Hyper-Trees 采用混合架构，其中决策树生成表示，神经网络利用这些表示来学习预测模型参数。